Quiz zu latenten Diffusionsmodellen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Was ist die Hauptinnovation latenter Diffusionsmodelle im Vergleich zur Pixelraumdiffusion?
   • Sie führen den Diffusionsprozess in einem komprimierten latenten Raum statt auf Rohpixeln durch
   • Sie machen ein neuronales Netzwerk überflüssig
   • Sie funktionieren nur bei Schwarzweißbildern
   • Sie benötigen keinerlei Trainingsdaten
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. Wie wird Text normalerweise in latenter Diffusion in das entrauschende U-Net eingespeist?
   • Durch Verketten der Rohtextzeichenfolge mit dem Bild
   • Durch manuelles Bearbeiten von Pixeln
   • Durch Queraufmerksamkeitsebenen mithilfe von Texteinbettungen
   • Text kann überhaupt nicht verwendet werden
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. Was lernt das Diffusionsmodell während des Trainings?
   • Um Bilder in Kategorien zu klassifizieren
   • Um einen allmählichen Rauschprozess umzukehren und Schritt für Schritt zu entrauschen
   • Um Text in Audio zu komprimieren
   • Sprachen übersetzen
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels